活体机器人学会生孩子:AI进化算法加持变身吃豆人,已经繁殖到「曾孙」

2021 年 11 月 30 日 量子位
贾浩楠 发自 凹非寺
量子位 报道 | 公众号 QbitAI

AI帮活体机器人生出了孩子

完全由活体细胞组成、有结构、可编程、能移动的Xenobots,今年又进化出了新的能力。

自我复制繁衍

去年就把网友「吓死」的Xenobots,这次又让人情不自禁联想到科幻电影中人类的末日:

活体机器人,怎么生娃?

Xenobots本身是有数千个非洲角蟾的胚胎细胞组成的一个细胞团。

如果是正常的繁衍过程,这些胚胎细胞最终会发育成蝌蚪的不同部分。

但是,来自美国佛蒙特大学和塔弗茨大学团队,将原始胚胎细胞切割出不同部分,并按照计算机模拟出的结构进行重建,人为“生产”出了这种新的生命。

一盏新的大门打开了。

细胞团拥有青蛙的基因组,但是,它们却没有选择成为蝌蚪。

这些由计算机设计出来的细胞集合结构,以一种看上去像是集体智慧的举动,做出了令人震惊的事情。

比如,自发地进行复制。

已经发育成熟的细胞群处在一群零散胚胎细胞中时,会自发把这些离散细胞堆在一起。

如果这个「堆」足够大,这些细胞群就能发育成会游泳、带纤毛的后代。

只是,这个过程不确定性较大。

温度范围、胚胎细胞的密集度、成熟细胞群的数量和随机行为、溶液的粘度、培养皿的几何形状表面,以及污染等等都会影响复制。

所以初代Xenobots的复制,最多只能持续两轮。

如何突破这个难题呢?AI此时登场了。

AI帮助机器人

球状结构的细胞团不利于繁衍,那么是不是可以试试其他形状?

研究团队在弗吉尼亚大学的Deep Green超级计算机上,用AI模型模拟测试了数十亿种身体形状,三角形、正方形、金字塔、海星…

目的就是找到允许细胞群进行多轮复制的有效形状。

具体来讲,研究人员使用一种进化算法,从随机状态的细胞群开始,让系统自行进化具有自我复制能力的细胞群。

然后根据结果筛选出持续复制最久的细胞群构型。

谁在复制繁衍这条路上走最远,谁就是赢家。

实验结果显示,繁衍能力最强的D构型,已经能够复制到第四代。

而它的形状,就像经典游戏中的吃豆人。

人类也第一次在细胞或生物体的尺度上观察到运动学自我复制。

这真的是末日开端吗?

看到这里,想必不少人已经感到后背发凉:人造生命、集体智慧、自我复制。

下一步会走向失控毁灭吗?

国外互联网已经吵翻了天。

 T1000 是电影终结者系列中的机器人

而要回答这个问题,首先要明确Xenobots是不是真的具有智能?

参与这个项目的研究人员对这个问题显得十分谨慎。

他们更愿意将 Xenobots 称为编程工程生物,所谓“智能”,只存在于设计和编程阶段,而不是在Xenobots中。

也就是说研究人员认为这种活体机器人,是没有智慧可言的。

但他们还表达了另一种看法:

Xenobots已经清楚证明,生命系统中存在着一个未知的空间。我们发现了会走路的机器人;我们发现了会游泳的机器人。现在,我们又发现了可以运动、可以自我复制的异形机器人。未来还会有什么发现呢?

在生命的表面之下,还隐藏着更多令人惊讶的行为,等待我们去发现。

而这种所谓的“未知空间”,是否是智能的另一种表现形式?机器和有机体之间的界限是不是越来越模糊?

现在没人能够解答。

说到底,Xenobots的复制仍然是自发自动的,个中原因科学家一直不清楚,这次的新进展,也只是使用辅助手段改良这个过程。

那么这项研究到底有什么意义?

至少有两层。

首先是Xenobots本身,可编程、可移动的特性,使它具有承担运送任务的潜质,比如将药物精准运送到靶细胞来治疗疾病。

另外一层意义是在计算机科学领域。

这次的实验结果已经表明,对于结构、功能的设计,AI有着比人类更高的效率和智慧。

所以,类似研究方法和工具以后可以应用在多个领域,比如建筑、机械,甚至是设计性能更好的人造器官。

所以,对于这项研究,你怎么看?

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

一键三连「分享」「点赞」和「在看」

科技前沿进展日日相见 ~


登录查看更多
1

相关内容

专知会员服务
236+阅读 · 2021年10月8日
专知会员服务
57+阅读 · 2021年4月22日
柯洁:我受够了AI围棋
量子位
0+阅读 · 2022年3月6日
为了0.002克的食物,连鱼都能开车了
学术头条
0+阅读 · 2022年1月8日
人类,误读机器人形态百年
机器之心
0+阅读 · 2021年12月24日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月19日
Object Detection in 20 Years: A Survey
Arxiv
48+阅读 · 2019年5月13日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
Arxiv
26+阅读 · 2018年9月21日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员